論文の概要: TransferNet: An Effective and Transparent Framework for Multi-hop
Question Answering over Relation Graph
- arxiv url: http://arxiv.org/abs/2104.07302v1
- Date: Thu, 15 Apr 2021 08:23:05 GMT
- ステータス: 処理完了
- システム内更新日: 2021-04-17 01:53:11.009552
- Title: TransferNet: An Effective and Transparent Framework for Multi-hop
Question Answering over Relation Graph
- Title（参考訳）: transfernet: 関係グラフ上のマルチホップ質問応答のための効果的で透明なフレームワーク
- Authors: Jiaxin Shi, Shulin Cao, Lei Hou, Juanzi Li, Hanwang Zhang
- Abstract要約: transfernetはマルチホップ質問応答の効果的で透明なモデルである。
ラベルとテキストの関係を統一されたフレームワークでサポートする。
2ホップと3ホップの質問で100%精度を達成する。
- 参考スコア（独自算出の注目度）: 66.09674676187453
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Multi-hop Question Answering (QA) is a challenging task because it requires
precise reasoning with entity relations at every step towards the answer. The
relations can be represented in terms of labels in knowledge graph (e.g.,
\textit{spouse}) or text in text corpus (e.g., \textit{they have been married
for 26 years}). Existing models usually infer the answer by predicting the
sequential relation path or aggregating the hidden graph features. The former
is hard to optimize, and the latter lacks interpretability. In this paper, we
propose TransferNet, an effective and transparent model for multi-hop QA, which
supports both label and text relations in a unified framework. TransferNet
jumps across entities at multiple steps. At each step, it attends to different
parts of the question, computes activated scores for relations, and then
transfer the previous entity scores along activated relations in a
differentiable way. We carry out extensive experiments on three datasets and
demonstrate that TransferNet surpasses the state-of-the-art models by a large
margin. In particular, on MetaQA, it achieves 100\% accuracy in 2-hop and 3-hop
questions. By qualitative analysis, we show that TransferNet has transparent
and interpretable intermediate results.
- Abstract（参考訳）: マルチホップ質問回答(Multi-hop Question Answering, QA)は、答えに向かうあらゆるステップにおいて、エンティティの関係を正確に推論する必要があるため、難しい課題である。
これらの関係は、知識グラフのラベル(例: \textit{spouse})やテキストコーパスのテキスト(例: \textit{ they have been married for 26 years})で表現することができる。
既存のモデルは通常、シーケンシャルな関係パスを予測したり、隠れたグラフの特徴を集約することで答えを推測する。
前者は最適化が難しく、後者は解釈不可能である。
本稿では,統一フレームワークでラベルとテキストの関係をサポートするマルチホップqaの有効かつ透明なモデルであるtransfernetを提案する。
TransferNetは複数のステップでエンティティを飛び越える。
それぞれのステップで、質問の異なる部分に参加し、関係に関するアクティブなスコアを計算し、その後、活性化された関係に沿って異なる方法で前のエンティティスコアを転送する。
我々は3つのデータセットに関する広範な実験を行い、TransferNetが最先端のモデルを大きく上回っていることを示す。
特にMetaQAでは、2-hopと3-hopの質問で100%の精度を実現している。
質的解析により、TransferNetは透明で解釈可能な中間結果を持つことを示す。
関連論文リスト
- Relation-Aware Question Answering for Heterogeneous Knowledge Graphs [37.38138785470231]
既存の検索に基づくアプローチは、異なるホップにおける特定の関係に集中することで、この課題を解決する。
我々は,現在の関係表現を強化するために,ヘッドテールエンティティや関係間の意味的関係からの情報を利用することができないと主張している。
当社のアプローチは,従来の最先端技術よりも大きなパフォーマンス向上を実現している。
論文 参考訳（メタデータ） (2023-12-19T08:01:48Z) - Single Sequence Prediction over Reasoning Graphs for Multi-hop QA [8.442412179333205]
局所推論グラフ(モデル)フットノートコード/モデル上での単一シーケンス予測手法を提案する。
グラフニューラルネットワークを用いて、このグラフ構造を符号化し、結果の表現をモデルのエンティティ表現に融合する。
実験の結果, 正確なマッチング/F1のスコアと, 推論経路におけるグラウンドの忠実度は有意に向上した。
論文 参考訳（メタデータ） (2023-07-01T13:15:09Z) - Relation-Aware Language-Graph Transformer for Question Answering [21.244992938222246]
本稿では,言語とグラフを関連づける質問応答変換器(QAT, Question Answering Transformer)を提案する。
具体的には、QATはメタパストークンを構築し、多様な構造的および意味的関係に基づいて関係中心の埋め込みを学習する。
我々は,CommonsenseQA や OpenBookQA などの常識質問応答データセットと,医療質問応答データセット MedQA-USMLE について,QAT の有効性を検証する。
論文 参考訳（メタデータ） (2022-12-02T05:10:10Z) - UniKGQA: Unified Retrieval and Reasoning for Solving Multi-hop Question
Answering Over Knowledge Graph [89.98762327725112]
KGQA(Multi-hop Question Answering over Knowledge Graph)は、自然言語の質問で言及されているトピックエンティティから、複数のホップを持つ回答エンティティを見つけることを目的としている。
我々は、モデルアーキテクチャとパラメータ学習の両方において、検索と推論を統合することで、マルチホップKGQAタスクの新しいアプローチであるUniKGQAを提案する。
論文 参考訳（メタデータ） (2022-12-02T04:08:09Z) - Modeling Multi-hop Question Answering as Single Sequence Prediction [88.72621430714985]
本稿では,単純な生成手法(PathFid)を提案する。
PathFidは、マルチホップ質問に対する回答を解決するための推論プロセスを明示的にモデル化する。
実験の結果,PathFidは2つのマルチホップQAデータセットに対して高い性能向上をもたらすことが示された。
論文 参考訳（メタデータ） (2022-05-18T21:57:59Z) - SA-VQA: Structured Alignment of Visual and Semantic Representations for
Visual Question Answering [29.96818189046649]
本稿では,視覚とテキストのグラフ表現を扱う構造化アライメントを提案する。
実験結果に示すように,このような構造的アライメントは推論性能を向上させる。
提案したモデルは、事前トレーニングなしで、GQAデータセット上で最先端の手法を上回り、VQA-v2データセット上で非事前トレーニングされた最先端の手法を上回ります。
論文 参考訳（メタデータ） (2022-01-25T22:26:09Z) - Bilateral Cross-Modality Graph Matching Attention for Feature Fusion in
Visual Question Answering [71.6781118080461]
本稿では,視覚質問応答(VQA)タスクのためのグラフマッチング注意(GMA)ネットワークを提案する。
まず、画像用のグラフを構築するが、構文情報と埋め込み情報の両方の観点から質問用のグラフを構築する。
次に, 2段グラフエンコーダを用いてモダリティ内関係を探索し, 画像と質問の関係を推定するために, 注目に合う双方向のモダリティグラフを提示する。
実験により、我々のネットワークはGQAデータセットとVQA 2.0データセット上で最先端のパフォーマンスを達成することを示した。
論文 参考訳（メタデータ） (2021-12-14T10:01:26Z) - Classification-Regression for Chart Comprehension [16.311371103939205]
チャート質問応答(CQA)は、チャート理解を評価するために用いられるタスクである。
分類と回帰を共同で学習する新しいモデルを提案する。
私たちのモデルのエッジは、特に語彙外回答の質問に重点を置いています。
論文 参考訳（メタデータ） (2021-11-29T18:46:06Z) - Relation-Guided Pre-Training for Open-Domain Question Answering [67.86958978322188]
複雑なオープンドメイン問題を解決するためのRGPT-QA(Relation-Guided Pre-Training)フレームワークを提案する。
RGPT-QAは, 自然質問, TriviaQA, WebQuestionsにおいて, Exact Matchの精度が2.2%, 2.4%, 6.3%向上したことを示す。
論文 参考訳（メタデータ） (2021-09-21T17:59:31Z) - Iterative Context-Aware Graph Inference for Visual Dialog [126.016187323249]
本稿では,新しいコンテキスト認識グラフ(CAG)ニューラルネットワークを提案する。
グラフの各ノードは、オブジェクトベース(視覚)と履歴関連(テキスト)コンテキスト表現の両方を含む、共同意味機能に対応している。
論文 参考訳（メタデータ） (2020-04-05T13:09:37Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。